論文の概要: Hierarchical Graph Networks for Accurate Weather Forecasting via Lightweight Training

• arxiv url: http://arxiv.org/abs/2510.22094v2
• Date: Wed, 29 Oct 2025 22:11:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.468435
• Title: Hierarchical Graph Networks for Accurate Weather Forecasting via Lightweight Training
• Title（参考訳）: 軽量トレーニングによる正確な天気予報のための階層型グラフネットワーク
• Authors: Thomas Bailie, S. Karthik Mukkavilli, Varvara Vetrova, Yun Sing Koh,
• Abstract要約: マルチスケール予測フレームワークに物理を埋め込んだHi-Castとそのアンサンブル変種HiAntFlow, HGNNを紹介する。 私たちのFlowモデルは、13日間のリードタイムでエラーを5%以上削減し、第1および第99の量子極値以下で5-8%削減し、まれなイベントの信頼性を改善しました。
• 参考スコア（独自算出の注目度）: 9.047866572770745
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Climate events arise from intricate, multivariate dynamics governed by global-scale drivers, profoundly impacting food, energy, and infrastructure. Yet, accurate weather prediction remains elusive due to physical processes unfolding across diverse spatio-temporal scales, which fixed-resolution methods cannot capture. Hierarchical Graph Neural Networks (HGNNs) offer a multiscale representation, but nonlinear downward mappings often erase global trends, weakening the integration of physics into forecasts. We introduce HiFlowCast and its ensemble variant HiAntFlow, HGNNs that embed physics within a multiscale prediction framework. Two innovations underpin their design: a Latent-Memory-Retention mechanism that preserves global trends during downward traversal, and a Latent-to-Physics branch that integrates PDE solution fields across diverse scales. Our Flow models cut errors by over 5% at 13-day lead times and by 5-8% under 1st and 99th quantile extremes, improving reliability for rare events. Leveraging pretrained model weights, they converge within a single epoch, reducing training cost and their carbon footprint. Such efficiency is vital as the growing scale of machine learning challenges sustainability and limits research accessibility. Code and model weights are in the supplementary materials.
• Abstract（参考訳）: 気候の出来事は、地球規模のドライバーが支配する複雑な多変量ダイナミクスから生じ、食料、エネルギー、インフラに大きな影響を及ぼす。 しかし、様々な時空間スケールで展開する物理過程のため、正確な天気予報は未解決のままであり、固定分解能法では捉えられない。 階層型グラフニューラルネットワーク(HGNN)は、マルチスケールな表現を提供するが、非線形下向きのマッピングはしばしばグローバルなトレンドを消し、物理の予測への統合を弱める。 物理をマルチスケールの予測フレームワークに組み込んだHiFlowCastとそのアンサンブル変種HiAntFlow, HGNNを紹介する。 2つのイノベーションは、下向きのトラベル中にグローバルなトレンドを保存する遅延メモリ保持機構と、さまざまなスケールでPDEソリューションフィールドを統合する遅延-物理ブランチである。 私たちのFlowモデルは、13日間のリードタイムでエラーを5%以上削減し、第1および第99の量子極値以下で5-8%削減し、まれなイベントの信頼性を改善しました。 事前訓練されたモデルの重量を利用して、それらは1つのエポック内に収束し、訓練コストと炭素フットプリントを低減させる。 機械学習が持続可能性に挑戦し、研究アクセシビリティを制限するにつれ、そのような効率性は不可欠である。 コードとモデルウェイトは補充材料に含まれる。

関連論文リスト

• Integrating Newton's Laws with deep learning for enhanced physics-informed compound flood modelling [0.8999666725996978]
  沿岸部では、嵐の急増、高潮、豪雨、河川の流出など、複数のドライバーが一緒に、あるいは連続して起こる複合的な洪水に直面している。 従来の流体力学モデルは正確な物理に基づくシミュレーションを提供することができるが、リアルタイムアプリケーションやリスクアセスメントにはかなりの計算資源を必要とする。 本研究では, 複合洪水モデルにおいて, 完全な浅水力学を強制する物理インフォームドニューラルネットワークフレームワークであるALPINEを開発することにより, これらの課題に対処する。
  論文  参考訳（メタデータ） (2025-07-20T16:06:10Z)
• Equi-Euler GraphNet: An Equivariant, Temporal-Dynamics Informed Graph Neural Network for Dual Force and Trajectory Prediction in Multi-Body Systems [5.442686600296734]
  物理インフォームドグラフニューラルネットワーク(GNN)であるEqui-Euler GraphNetを提案する。 Equi-Euler GraphNetはトレーニングディストリビューションを超えて一般化され、目に見えない速度、負荷、設定の下でロードとトラジェクトリを正確に予測する。 トラジェクトリ予測に重点を置く最先端のGNNよりも優れており、エラーの蓄積を最小限に抑えながら、数千のタイムステップで安定したロールアウトを実現する。
  論文  参考訳（メタデータ） (2025-04-18T16:09:57Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• AirPhyNet: Harnessing Physics-Guided Neural Networks for Air Quality Prediction [40.58819011476455]
  本稿では,空気質予測のための物理誘導ニューラルネットワーク(AirPhyNet)という新しいアプローチを提案する。 我々は、空気粒子移動(拡散と対流)の2つの確立された物理原理を微分方程式ネットワークとして表現することで活用する。 2つの実世界のベンチマークデータセットの実験では、AirPhyNetがさまざまなテストシナリオの最先端モデルを上回っていることが示されている。
  論文  参考訳（メタデータ） (2024-02-06T07:55:54Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Deep learning for improved global precipitation in numerical weather prediction systems [1.721029532201972]
  我々は、残差学習を用いた深層畳み込みニューラルネットワークのUNETアーキテクチャを、グローバルな降水モデルを学ぶための概念実証として使用しています。 その結果,インド気象局が使用した操作力学モデルと比較した。 この研究は、残差学習に基づくUNETが、目標降水量と物理的関係を解き放つことができることを示す概念実証である。
  論文  参考訳（メタデータ） (2021-06-20T05:10:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。